Dự đoán tuổi và giới tính bằng phương pháp học sâu

Dự đoán tuổi và giới tính chính xác bằng học sâu. Khám phá các mô hình AI tiên tiến, ứng dụng thực tế và tiềm năng phát triển trong tương lai.

• Tác giả: Trần Tân Lộc
• Người hướng dẫn: Pgs. Lê Hoàng Thái
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Dự đoán tuổi và giới tính bằng phương pháp học sâu
• Loại tài liệu: Đồ án tốt nghiệp thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lý do chọn đề án
• 1.2. Tổng quan vấn đề nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và thực tiễn của đề án
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Giới thiệu về học sâu và thị giác máy tính
• 2.2. Các thành phần của mô hình học sâu
• 2.3. So với máy học, mô hình học sâu mang lại những lợi ích sau
• 2.4. Thị giác máy tính
• 2.5. Kiến trúc mạng nơ ron tích chập
• 2.6. Tổng quan về kiến trúc mạng tích chập
• 2.7. Các đặc trưng chung của mạng CNN
• 2.8. Các mạng CNN tiêu biểu
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Dữ liệu huấn luyện
• 3.2. Giới thiệu về tập dữ liệu Adience Dataset
• 3.3. Tiền xử lý dữ liệu
• 3.4. Loại bỏ đặc trưng không cần thiết
• 3.5. Chỉnh kích thước ảnh sang kích thước phù hợp
• 3.6. Mô hình được sử dụng
• 3.7. Tổng quan mô hình
• 3.8. Chuẩn bị dữ liệu tập huấn
• 3.9. Huấn luyện mô hình
• 3.9.1. Khởi tạo mô hình
• 3.9.2. Các phương thức tiền xử lý ảnh
• 3.9.3. Các bước tiến hành huấn luyện mô hình
• 4. CHƯƠNG 4: CÀI ĐẶT THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Cài đặt môi trường
• 4.2. Phương pháp đánh giá
• 4.3. Phân tích đánh giá hệ thống đầu ra
• 4.4. Xây dựng mô đun đánh giá
• 4.5. Kiểm tra đánh giá hệ thống trên bộ dữ liệu công khai
• 4.5.1. Bộ dữ liệu công khai Adience
• 4.5.2. Kết quả đánh giá trên bộ dữ liệu công khai Adience
• 4.6. Kiểm tra đánh giá hệ thống trên bộ dữ liệu đã xây dựng
• 4.6.1. Bộ dữ liệu đã xây dựng
• 4.6.2. Kết quả đánh giá trên bộ dữ liệu đã xây dựng
• 4.7. Cài đặt triển khai thử nghiệm
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Đoán Tuổi và Giới Tính Bằng Học Sâu

Sự phát triển kinh tế - xã hội phụ thuộc vào nguồn nhân lực, đặc biệt trong giai đoạn công nghiệp hóa. Tuyển dụng tốt giúp nâng cao hiệu quả công việc và chất lượng nguồn nhân lực. Hiện nay, công nghệ được áp dụng để cải tiến lĩnh vực tuyển dụng. Đề án này sử dụng các kỹ thuật của trí tuệ nhân tạo kết hợp với mạng CNN để xây dựng hệ thống hỗ trợ tuyển dụng, dự đoán tuổi và giới tính từ đó đánh giá ứng viên. Kết quả là ứng dụng hỗ trợ tuyển dụng, thử nghiệm tại VNPT Tây Ninh, giúp quá trình tuyển dụng hiệu quả hơn. Việc áp dụng học sâu để hỗ trợ xác minh thông tin ứng viên đang trở thành xu hướng. Cần đảm bảo sự chính xác và hiệu quả để hỗ trợ tốt nhất cho quy trình tuyển dụng. Cần phải nghiên cứu kỹ về các phương pháp học sâu, đặc biệt là CNN, để có thể áp dụng hiệu quả vào bài toán thực tế.

1.1. Giới thiệu ứng dụng Học Sâu trong bài toán nhân sự

Ứng dụng học sâu ngày càng trở nên quan trọng trong nhiều lĩnh vực, bao gồm cả quản lý nhân sự. Việc tự động hóa các tác vụ như dự đoán tuổi và giới tính có thể giúp giảm thiểu sai sót và tăng tốc quá trình tuyển dụng. Ứng dụng này giúp nhà tuyển dụng tránh được sự khai man tuổi tác. Mạng CNN được sử dụng để xây dựng mô hình dự đoán từ hình ảnh. Kết quả dự đoán được sử dụng để đánh giá sự phù hợp của ứng viên với các yêu cầu về độ tuổi lao động. Theo một số nghiên cứu, việc sử dụng AI trong tuyển dụng giúp giảm tới 75% thời gian tuyển dụng (Tham khảo: SHRM Research).

1.2. Vai trò của Computer Vision và Image Recognition

Computer Vision và Image Recognition đóng vai trò then chốt trong dự án này. Khả năng phân tích và hiểu hình ảnh giúp trích xuất các đặc trưng quan trọng từ khuôn mặt, phục vụ cho việc dự đoán tuổi và giới tính. Các thuật toán Image Recognition cho phép xác định các đặc điểm trên khuôn mặt một cách tự động và chính xác. Việc này giúp loại bỏ sự can thiệp thủ công và tăng tính khách quan của quá trình đánh giá. Các thuật toán này ngày càng được cải thiện, mang lại độ chính xác cao hơn và khả năng xử lý ảnh nhanh chóng hơn. Các thuật toán này còn có thể được sử dụng để xác minh danh tính của ứng viên.

II. Thách Thức Cơ Hội trong Dự Đoán Tuổi và Giới Tính

Vấn đề đặt ra là làm sao để dự đoán tuổi và giới tính một cách chính xác từ hình ảnh. Các thách thức bao gồm sự biến đổi về ánh sáng, góc chụp, biểu cảm khuôn mặt và chất lượng ảnh. Dữ liệu huấn luyện cần đa dạng và đủ lớn để mô hình có thể học được các đặc trưng quan trọng. Mặt khác, cơ hội nằm ở việc áp dụng các kỹ thuật deep learning tiên tiến, đặc biệt là CNN, để vượt qua các thách thức này. Các pre-trained models có thể được sử dụng để tăng tốc quá trình huấn luyện và cải thiện độ chính xác. Cần có một phương pháp tiếp cận toàn diện, kết hợp giữa lý thuyết và thực nghiệm, để đạt được kết quả tốt nhất. Độ chính xác của các mô hình dự đoán đóng vai trò quan trọng trong việc hỗ trợ quyết định tuyển dụng.

2.1. Vấn đề Bias trong Dữ Liệu và Giải Pháp Khắc Phục

Một trong những thách thức lớn nhất là vấn đề bias trong dữ liệu huấn luyện. Nếu dữ liệu không đại diện cho toàn bộ dân số, mô hình có thể hoạt động kém hiệu quả đối với một số nhóm người nhất định. Cần đảm bảo rằng dữ liệu huấn luyện đa dạng về tuổi tác, giới tính, chủng tộc và các yếu tố khác. Các kỹ thuật data augmentation có thể được sử dụng để tạo ra các biến thể của dữ liệu hiện có và giảm thiểu bias. Ngoài ra, cần sử dụng các metrics đánh giá phù hợp để phát hiện và giảm thiểu bias trong quá trình huấn luyện.

2.2. Ảnh Hưởng Của Chất Lượng Ảnh Đến Độ Chính Xác

Chất lượng ảnh đóng vai trò quan trọng trong việc dự đoán tuổi và giới tính. Ảnh có độ phân giải thấp, bị mờ hoặc bị nhiễu có thể làm giảm độ chính xác của mô hình. Các kỹ thuật tiền xử lý ảnh, như tăng cường độ tương phản và loại bỏ nhiễu, có thể được sử dụng để cải thiện chất lượng ảnh. Tuy nhiên, cần cẩn thận để không làm mất các thông tin quan trọng trong quá trình tiền xử lý. Việc sử dụng các dataset chất lượng cao cũng rất quan trọng để đảm bảo hiệu suất tốt nhất.

2.3. Yêu Cầu về Tính Bảo Mật và Quyền Riêng Tư

Việc thu thập và sử dụng hình ảnh khuôn mặt cho mục đích dự đoán tuổi và giới tính đặt ra các vấn đề về quyền riêng tư. Cần tuân thủ các quy định về bảo vệ dữ liệu cá nhân và đảm bảo rằng dữ liệu được sử dụng một cách có trách nhiệm. Người dùng cần được thông báo rõ ràng về mục đích sử dụng dữ liệu của họ và có quyền kiểm soát dữ liệu đó. Các kỹ thuật mã hóa và ẩn danh hóa có thể được sử dụng để bảo vệ tính bảo mật của dữ liệu.

III. Phương Pháp Học Sâu CNN Cho Dự Đoán Tuổi và Giới Tính

Mạng CNN là một trong những phương pháp học sâu hiệu quả nhất cho bài toán dự đoán tuổi và giới tính. CNN có khả năng tự động học các đặc trưng quan trọng từ hình ảnh, giúp loại bỏ sự cần thiết của việc trích xuất đặc trưng thủ công. Các lớp tích chập và gộp giúp giảm số lượng tham số và tăng tính tổng quát của mô hình. Transfer learning có thể được sử dụng để tận dụng các mô hình đã được huấn luyện trên các dataset lớn, giúp tăng tốc quá trình huấn luyện và cải thiện performance. Cần lựa chọn kiến trúc CNN phù hợp và điều chỉnh các siêu tham số để đạt được kết quả tốt nhất. Các framework như TensorFlow, Keras và PyTorch cung cấp các công cụ và thư viện để xây dựng và huấn luyện mô hình CNN một cách dễ dàng.

3.1. Kiến Trúc Mạng CNN Phổ Biến AlexNet VGG ResNet

Có nhiều kiến trúc mạng CNN khác nhau có thể được sử dụng cho bài toán dự đoán tuổi và giới tính. AlexNet, VGG và ResNet là một vài ví dụ phổ biến. AlexNet là một trong những kiến trúc đầu tiên chứng minh được sức mạnh của CNN trong việc xử lý hình ảnh. VGG sử dụng các lớp tích chập nhỏ để tăng độ sâu của mạng. ResNet sử dụng các kết nối tắt để giải quyết vấn đề biến mất gradient trong các mạng sâu. Việc lựa chọn kiến trúc phù hợp phụ thuộc vào kích thước của dataset và yêu cầu về performance.

3.2. Data Augmentation để Tăng Cường Dữ Liệu Huấn Luyện

Data augmentation là một kỹ thuật quan trọng để tăng cường kích thước và độ đa dạng của dataset huấn luyện. Các kỹ thuật data augmentation bao gồm xoay ảnh, lật ảnh, thay đổi độ sáng và thêm nhiễu. Bằng cách tạo ra các biến thể của dữ liệu hiện có, data augmentation giúp mô hình học được các đặc trưng quan trọng một cách tổng quát hơn và giảm nguy cơ overfitting. Cần lựa chọn các kỹ thuật data augmentation phù hợp với bài toán và điều chỉnh các tham số một cách cẩn thận.

3.3. Transfer Learning và Sử Dụng Pre Trained Models

Transfer learning là một kỹ thuật cho phép tận dụng các mô hình đã được huấn luyện trên các dataset lớn cho các bài toán khác. Thay vì huấn luyện một mô hình từ đầu, transfer learning cho phép sử dụng các lớp đã được huấn luyện trước đó và chỉ cần huấn luyện lại một vài lớp cuối cùng để phù hợp với bài toán mới. Điều này giúp tiết kiệm thời gian và tài nguyên huấn luyện, đồng thời cải thiện performance. Các pre-trained models thường được huấn luyện trên ImageNet hoặc các dataset lớn khác và có thể được sử dụng cho nhiều bài toán computer vision khác nhau.

IV. Ứng Dụng Dự Đoán Tuổi Giới Tính Trong Tuyển Dụng

Ứng dụng dự đoán tuổi và giới tính trong tuyển dụng giúp hỗ trợ nhà tuyển dụng trong quá trình sàng lọc hồ sơ và đánh giá ứng viên. Hệ thống có thể tự động phân tích ảnh chân dung trên CV và đưa ra dự đoán về tuổi và giới tính của ứng viên. Điều này giúp tiết kiệm thời gian và công sức cho nhà tuyển dụng, đồng thời giảm thiểu sai sót do đánh giá chủ quan. Tuy nhiên, cần lưu ý rằng kết quả dự đoán chỉ mang tính tham khảo và không nên được sử dụng để đưa ra quyết định tuyển dụng cuối cùng. Cần kết hợp kết quả dự đoán với các thông tin khác về ứng viên, như kinh nghiệm làm việc, kỹ năng và trình độ học vấn, để có cái nhìn toàn diện và chính xác nhất.

4.1. Xác Minh Thông Tin Ứng Viên và Giảm Rủi Ro Gian Lận

Một trong những ứng dụng quan trọng nhất của dự đoán tuổi và giới tính trong tuyển dụng là xác minh thông tin ứng viên và giảm rủi ro gian lận. Hệ thống có thể so sánh kết quả dự đoán với thông tin mà ứng viên cung cấp trong hồ sơ để phát hiện các trường hợp khai gian tuổi tác hoặc giới tính. Điều này giúp đảm bảo tính trung thực và minh bạch trong quá trình tuyển dụng. Tuy nhiên, cần cẩn thận để không đưa ra các kết luận vội vàng dựa trên kết quả dự đoán, vì có thể có những sai sót do chất lượng ảnh hoặc các yếu tố khác.

4.2. Cải Thiện Trải Nghiệm Ứng Viên và Tối Ưu Hóa Quy Trình

Ứng dụng dự đoán tuổi và giới tính có thể giúp cải thiện trải nghiệm ứng viên và tối ưu hóa quy trình tuyển dụng. Bằng cách tự động hóa các tác vụ sàng lọc hồ sơ ban đầu, nhà tuyển dụng có thể tập trung vào các ứng viên tiềm năng và cung cấp cho họ trải nghiệm tốt hơn. Điều này giúp tăng cường uy tín của công ty và thu hút được nhiều ứng viên tài năng hơn. Ngoài ra, hệ thống có thể được tích hợp với các công cụ tuyển dụng khác, như hệ thống quản lý ứng viên (ATS), để tạo ra một quy trình tuyển dụng liền mạch và hiệu quả.

V. Đánh Giá Hiệu Năng Triển Khai Mô Hình Thực Tế

Để đánh giá hiệu năng của mô hình dự đoán tuổi và giới tính, cần sử dụng các metrics phù hợp, như accuracy, precision, recall và F1-score. Các metrics này cho phép đánh giá khả năng của mô hình trong việc phân loại đúng các trường hợp khác nhau. Ngoài ra, cần đánh giá hiệu năng của mô hình trên các dataset khác nhau để đảm bảo tính tổng quát. Để triển khai mô hình thực tế, cần xem xét các yếu tố như performance, scalability và security. Mô hình có thể được triển khai trên cloud hoặc trên các thiết bị edge tùy thuộc vào yêu cầu của ứng dụng.

5.1. Các Metrics Đánh Giá Hiệu Quả Accuracy Precision Recall

Accuracy là một trong những metrics đơn giản và phổ biến nhất để đánh giá hiệu quả của mô hình. Tuy nhiên, accuracy có thể không phù hợp cho các dataset không cân bằng. Precision đo lường tỷ lệ các trường hợp dự đoán là đúng trên tổng số các trường hợp được dự đoán là đúng. Recall đo lường tỷ lệ các trường hợp thực tế là đúng được dự đoán là đúng. F1-score là trung bình điều hòa của precision và recall và cung cấp một cái nhìn tổng quan hơn về hiệu quả của mô hình.

5.2. Cài Đặt Môi Trường và Tối Ưu Hóa Performance

Để cài đặt môi trường cho mô hình, cần cài đặt các thư viện và framework cần thiết, như TensorFlow, Keras và PyTorch. Ngoài ra, cần cài đặt các công cụ hỗ trợ, như OpenCV, để xử lý hình ảnh. Để tối ưu hóa performance, có thể sử dụng các kỹ thuật như quantization và pruning để giảm kích thước của mô hình. Ngoài ra, có thể sử dụng các công cụ tăng tốc phần cứng, như GPU, để tăng tốc quá trình tính toán.

5.3. Triển Khai Mô Hình Trên Cloud và Edge Devices

Mô hình có thể được triển khai trên cloud hoặc trên các thiết bị edge tùy thuộc vào yêu cầu của ứng dụng. Triển khai trên cloud cho phép tận dụng tài nguyên tính toán mạnh mẽ và khả năng scalability cao. Tuy nhiên, triển khai trên edge giúp giảm độ trễ và tăng tính bảo mật. Việc lựa chọn phương pháp triển khai phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng.

VI. Kết Luận và Hướng Phát Triển Cho Dự Đoán Tuổi Giới Tính

Dự đoán tuổi và giới tính bằng phương pháp học sâu là một lĩnh vực đầy tiềm năng, mang lại nhiều lợi ích cho các ứng dụng khác nhau, đặc biệt là trong lĩnh vực tuyển dụng. Bằng cách sử dụng các kỹ thuật tiên tiến như CNN và transfer learning, có thể xây dựng các mô hình có độ chính xác cao và hiệu quả. Tuy nhiên, cần lưu ý đến các thách thức liên quan đến bias trong dữ liệu, chất lượng ảnh và quyền riêng tư. Trong tương lai, có thể nghiên cứu các phương pháp mới để giải quyết các thách thức này và mở rộng phạm vi ứng dụng của dự đoán tuổi và giới tính.

6.1. Tóm Tắt Kết Quả Nghiên Cứu và Đóng Góp

Nghiên cứu đã thành công trong việc xây dựng một mô hình dự đoán tuổi và giới tính bằng phương pháp học sâu. Mô hình đạt được độ chính xác cao trên các dataset thử nghiệm và có thể được triển khai trong các ứng dụng thực tế. Nghiên cứu cũng đóng góp vào việc nâng cao nhận thức về các thách thức và cơ hội trong lĩnh vực này.

6.2. Hướng Nghiên Cứu Tiềm Năng và Phát Triển Tương Lai

Trong tương lai, có thể nghiên cứu các phương pháp mới để giải quyết các thách thức liên quan đến bias trong dữ liệu và chất lượng ảnh. Ngoài ra, có thể nghiên cứu các ứng dụng mới của dự đoán tuổi và giới tính trong các lĩnh vực khác, như chăm sóc sức khỏe, giáo dục và marketing. Việc kết hợp dự đoán tuổi và giới tính với các thông tin khác, như biểu cảm khuôn mặt và giọng nói, có thể mở ra các khả năng mới.

Trích đoạn nội dung tài liệu

i HàC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG ----------------------------------- TRÄN TÂN LÞC DĂ ĐOÁN TUàI VÀ GIàI TÍNH B¾NG PH¯¡NG PHÁP HàC SÂU ĐÀ ÁN TÞT NGHIâP TH¾C S) KĀ THUÀT (Theo định hướng ứng dụng) THÀNH PHà Hâ CHÍ MINH – NM 2023 ii HàC VIâN CÔNG NGHâ B¯U CHÍNH VIàN THÔNG -------------------------------------- TRÄN TÂN LÞC DĂ ĐOÁN TUàI VÀ GIàI TÍNH B¾NG PH¯¡NG PHÁP HàC SÂU Chuyên ngành: Hã thßng thông tin Mã sß: 8.04 ĐÀ ÁN TÞT NGHIâP TH¾C SĀ KĀ THUÀT (Theo định hướng ứng dụng) NG¯âI H¯àNG DÀN KHOA HàC: PGS. LÊ HOÀNG THÁI THÀNH PHà Hâ CHÍ MINH – NM 2023 i LâI CAM ĐOAN Tôi xin cam đoan đề án thạc sĩ công nghệ thông tin <Dă đoán tuái và giái tính b¿ng ph°¢ng pháp hác sâu= là do tôi nghiên cāu, tổng hợp và thực hiện. Tất cả các nßi dung, các sá liệu, kết quả nêu trong đề án tát nghiệp này là trung thực và ch°a từng đ°ợc ai công bá trong bất kỳ công trình nào khác. Tôi hoàn toàn chßu trách nhiệm cho mái hành vi sao chép trái phép hoặc vi phạm quy chế đào tạo.

Hồ Chí Minh, ngày 16 tháng 08 năm 2023 Hác viên thăc hiãn đÁ án TrÅn TÃn Lßc ii LâI CÀM ¡N Tôi xin gửi lãi cảm ¡n chân thành và sâu sắc đến PGS.TS Lê Hoàng Thái, ng°ãi thầy đã tận tâm và nhiệt tình trong việc h°áng dÁn và đßng viên tôi suát quá trình thực hiện đề án. Nhã sự hỗ trợ cÿa ng°ãi thầy, tôi đã đ°ợc đßnh h°áng và hoàn thành các mục tiêu mà tôi đã đề ra. Tôi xin gửi lãi tri ân chân thành đến các Thầy, Cô đã đãng hành và tận tình giảng dạy cho tôi suát thãi gian hác tập trong ch°¡ng trình Thạc sĩ Hệ tháng thông tin tại khoa Đào t¿o Sau đ¿i hác, Hác viãn Công nghã B°u chính Vián thông c¢ så t¿i thành phß Hß Chí Minh. Tôi muán bày tß lòng biết ¡n đến ban Giám Đßc Trung tâm Công nghã Thông tin – Vián thông Tây Ninh đã tạo điều kiện thuận lợi cho hác tập cÿa tôi.

Tôi biết ¡n đến tất cả bạn bè đã đßng viên, hỗ trợ và đóng góp những ý kiến quý báu cho đề án này. Đóng góp cÿa các bạn đã giúp tôi hoàn thiện nghiên cāu này. Đề án đã hoàn thành và đạt đ°ợc mßt sá kết quả nhất đßnh, tuy vậy tôi thừa nhận rằng còn tãn tại những hạn chế và thiếu sót. Vì vậy, tôi chân thành mong nhận đ°ợc sự thông cảm và sự đóng góp quý báu từ quý thầy cô và các bạn để tôi có thể cải thiện và nâng cao chất l°ợng cÿa nghiên cāu này.

Mßt lần nữa tôi xin chân thành cảm ¡n! Tp. Hồ Chí Minh, ngày 16 tháng 08 năm 2023 Hác viên thăc hiãn đÁ án TrÅn TÃn Lßc iii MĀC LĀC LâI CAM ĐOAN. iii DANH MĀC CÁC THUÀT NGĀ, CHĀ VI¾T TÂT. vi DANH SÁCH BÀNG.

vii DANH SÁCH HÌNH VẼ. 1 CH¯¡NG 1 - TàNG QUAN .2 Táng quan vÃn đÁ nghiên cứu .3 Māc tiêu nghiên cứu.4 Đßi t°ÿng và ph¿m vi nghiên cứu .5 Ph°¢ng pháp nghiên cứu.6 Ý ngh*a khoa hác và thăc tián của đÁ án. 10 CH¯¡NG 2 - C¡ Sä LÝ THUY¾T. Giái thiãu vÁ hác sâu và thß giác máy tính.

Các thành phần cÿa mô hình hác sâu. So vái máy hác, mô hình hác sâu mang lại những lợi ích sau. Thị giác máy tính. Ki¿n trúc m¿ng n¢ ron tích chÁp.

Tổng quan về kiến trúc mạng tích chập. Các đặc trưng chung của mạng CNN. Các mạng CNN tiêu biểu. 19 CH¯¡NG 3 - PHÂN TÍCH VÀ THI¾T K¾ Hâ THÞNG.

Dā liãu huÃn luyãn. Giới thiệu về tập dữ liệu. Các bước xây dựng từ tập dữ liệu Adience Dataset. TiÁn xÿ lý dā liãu.

Loại bỏ đặc trưng không cần thiết. Chỉnh kích thước ảnh sang kích thước phù hợp. Mô hình đ°ÿc sÿ dāng. Tổng quan mô hình.Chuẩn bị dữ liệu tập huấn.

Huấn luyện mô hình .1 Khåi tạo mô hình.2 Các ph°¡ng thāc tiền xử lý ảnh .3 Các b°ác tiến hành huấn luyện mô hình. 48 v CH¯¡NG 4 - CÀI Đ¾T THþ NGHIâM VÀ ĐÁNH GIÁ. Cài đ¿t môi tr°ãng. Ph°¢ng pháp đánh giá.

Phân tích đánh giá hã thßng đÁ xuÃt. Xây dựng mô đun đánh giá. Kiểm tra đánh giá hệ thống trên bộ dữ liệu công khai. Bß dữ liệu công khai Adience.

Kết quả đánh giá trên bß dữ liệu công khai Adience. Kiểm tra đánh giá hệ thống trên bộ dữ liệu đã xây dựng. Bß dữ liệu đã xây dựng. Kết quả đánh giá trên bß dữ liệu đã xây dựng.

Cài đ¿t trißn khai thÿ nghiãm. 64 DANH MĀC TÀI LIâU THAM KHÀO. 66 vi DANH MĀC CÁC THUÀT NGĀ, CHĀ VI¾T TÂT VI¾T TÂT TI¾NG ANH TI¾NG VIâT CNN Convolutional Neural Network Mạng N¡ ron tích chập CV Curriculum Vitae Hã s¡ cá nhân AI Artificial Intelligence Trí tuệ nhân tạo DL Deep Learning Hác sâu ML Mechine Learning Hác máy Conv Convolutional layer Láp tích chập Hàm kích hoạt trong mạng n¡ ReLU Rectified Linear Unit ron nhân tạo vii DANH SÁCH BÀNG Bảng 3.1: Danh mục nhãn .3: Thông tin các nhãn t°¡ng āng vái các bāc ảnh. 31 viii DANH SÁCH HÌNH VẼ Hình 2.1: Mô hình hác sâu .2: Hình ảnh tỷ lệ xám chỉ có mßt kênh .3: Mạng Alexnet, mßt kiến trúc điển hình cÿa CNN .4: Kiến trúc LeNet .5: Kiến trúc AlexNet .7: Ph°¡ng pháp dropout .8: Kiến trúc VGG-16 .9: Kiến trúc GoogleNet .10: Kiến trúc GoogleNet - Inception version 3 .1: Hình ảnh trong tập dữ liệu Adience .2: Th° mục chāa các ảnh đ°ợc giải nén .4: Ví dụ thí nghiệm sử dụng ReLU .5: Tổ chāc th° mục .6: Mô hình gãm 5 block .7: Kết quả huấn luyện đß tuổi dạng biểu đã .8: Kết quả huấn luyện đß tuổi .9: Kết quả huấn luyện giái tính dạng biểu đã .10: Kết quả huấn luyện giái tính .1: Giao diện tải ảnh lên hệ tháng đánh giá .2: Giao diện khi đã tải hình .3: Kết quả dự đoán giái tính nam đß tuổi 12 .4: Kết quả dự đoán giái tính nam đß tuổi 45 .5: Kết quả dự đoán giái tính nữ đß tuổi 40 .6: Kết quả dự đoán giái tính nữ đß tuổi 18 .7: Kết quả dự đoán giái tính nam đß tuổi 28 .8: Kết quả kiểm chāng mô hình vái dự đoán giái tính vái dữ liệu công khai .9: Kết quả kiểm chāng mô hình vái dự đoán tuổi vái dữ liệu công khai .10: Kết quả kiểm chāng mô hình dự đoán giái tính vái dữ liệu đã xây dựng .11: Kết quả kiểm chāng mô hình vái dự đoán tuổi vái dữ liệu đã xây dựng .12: Giao diện hệ tháng .13: Giao diện nhập thông tin āng viên .14: Giao diện chán ảnh āng viên .15: Giao diện khi đã nhập xong thông tin .16: Giao diện kết quả nghi vấn d°ái đß tuổi lao đßng .17: Giao diện kết quả trong đß tuổi lao đßng .18: Giao diện kết quả nghi vấn quá đß tuổi lao đßng.

63 1 Mä ĐÄU Sự phát triển kinh tế - xã hßi phụ thußc vào nhiều yếu tá khác nhau, nh°ng tập trung chÿ yếu vào nguãn nhân lực. Dù có máy móc, thiết bß, nh°ng chúng trå nên vô dụng nếu thiếu sự can thiệp cÿa con ng°ãi. Nguãn nhân lực đóng vai trò trung tâm và quan tráng nhất trong phát triển kinh tế-xã hßi cÿa đất n°ác, đặc biệt trong giai đoạn đ¿y mạnh công nghiệp hóa, hiện đại hóa và hßi nhập kinh tế quác tế. Tuyển dụng tát sẽ tạo đßi ngũ nhân lực phù hợp vái công việc và vß trí, từ đó nâng cao hiệu quả công việc và chất l°ợng nguãn nhân lực cÿa doanh nghiệp.

Đãng thãi giúp tiết kiệm đ°ợc chi phí đào tạo nhân lực, tránh tình trạng āng viên khai gian dái đß tuổi lao đßng gây ra vi phạm luật lao đßng hiện hành dÁn tái phải liên tục tuyển dụng nhân sự mái, doanh nghiệp lại phải tán chi phí và thãi gian cho công tác tuyển dụng lại nhân sự. Tuyển dụng, là mßt trong những lĩnh vực quan tráng cÿa xã hßi đang dần đ°ợc cải tiến và nâng cao hiệu quả bằng các công nghệ mái. Ngày nay có nhiều hệ tháng hỗ trợ trong công tác tuyển dụng nhân sự phổ biến å n°ác ta nh°: Base E-hiring, Talent Solution, Zoho Recruit, Greenhouse, Workable…Nh°ng đa phần các hệ tháng này chỉ tập trung vào quản lý āng viên, đng tin tuyển dụng, lập báo cáo. Bằng cách áp dụng các kỹ thuật cÿa trí tuệ nhân tạo kết hợp vái mạng CNN đề án đã áp dụng các giải pháp này để h°áng đến xây dựng hệ tháng hỗ trợ công tác tuyển dụng thông qua dự đoán đß tuổi và giái tính từ đó đ°a ra nhận đßnh āng viên có phù hợp theo đß tuổi lao đßng hiện hành [3] giúp nhà tuyển dụng tránh đ°ợc sự khai man cÿa các āng viên.

Kết quả cÿa quá trình này đó là đề án đã xây dựng đ°ợc mßt āng dụng hỗ trợ công tác tuyển dụng. Kết quả trả về bao gãm kết quả chính xác và các kết quả liên quan. Āng dụng đã đ°ợc cài đặt, thử nghiệm tại phòng nhân sự VNPT Tây Ninh giúp cho quá trình tuyển dụng trå nên hiệu quả h¡n. 2 Kết quả cÿa đề án đ°ợc trình bày trong các phần nh° må bài, mục lục, kết luận và kiến nghß, danh mục hình vẽ, danh mục bảng biểu, tài liệu tham khảo, phụ lục, và phần chính cÿa đề án bao gãm 4 ch°¡ng nh° sau:  Ch°¢ng 1 Đề án giái thiệu các thông tin về nghiên cāu liên quan, phân tích và đánh giá thực trạng, trình bày mục tiêu và giái hạn cÿa đề án, cung cấp ý nghĩa lý luận và thực tiễn, trình bày ph°¡ng pháp nghiên cāu, h°áng tiếp cận giải quyết vấn đề, và mô tả nßi dung thực hiện cÿa đề án.

 Ch°¢ng 2 Trình bày c¡ så lý thuyết liên quan đến vấn đề hác sâu và thß giác máy tính, bao gãm các lý thuyết về mô hình mạng n¡ ron tích chập (CNN) cùng vái các ph°¡ng pháp xây dựng mô hình dữ liệu.  Ch°¢ng 3 Trình bày tổng quan về bài toán dự đoán đß tuổi và giái tính bằng ph°¡ng pháp hác sâu. Giái thiệu về hệ tháng và mßt sá ph°¡ng pháp tiếp cận.  Ch°¢ng 4 Cài đặt thử nghiệm và đánh giá.

Thực hiện mô hình mạng n¡ ron tích chập CNN, xây dựng āng dụng hỗ trợ tuyển dụng. Tiến hành thực nghiệm, so sánh và đánh giá kết quả. 3 CH¯¡NG 1 - TàNG QUAN 1.1 Lý do chán đÁ án Lĩnh vực quản lý nhân sự đ°ợc coi là mßt trong những lĩnh vực quan tráng nhất đái vái mái doanh nghiệp.